Previsão com ARIMA simulado

Agora que você já domina o ajuste de modelos ARIMA, pode usar essas habilidades para fazer previsões. Primeiro, você vai trabalhar com dados simulados.

Geramos 120 observações de um modelo ARIMA(1,1,0) com parâmetro AR de 0,9. Os dados estão em y e as primeiras 100 observações estão em x. Essas observações já foram plotadas para você. Você vai ajustar um modelo ARIMA(1,1,0) aos dados em x e verificar se o modelo se ajusta bem. Depois, use sarima.for() do astsa para prever os dados 20 períodos à frente. Em seguida, compare as previsões com os dados reais em y.

A sintaxe básica para previsão é sarima.for(data, n.ahead, p, d, q), em que n.ahead é um inteiro positivo que define o horizonte de previsão. Os valores previstos e seus erros-padrão são impressos; os dados são plotados em preto, e as previsões em vermelho, junto com dois limites do erro quadrático médio de previsão como linhas azuis tracejadas.

O pacote astsa está pré-carregado e os dados (x) e os dados diferenciados (diff(x)) estão plotados.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Plote a ACF e a PACF amostrais dos dados diferenciados para determinar um modelo.
Use sarima() para ajustar um ARIMA(1,1,0) aos dados. Examine a saída do seu comando sarima() para avaliar o ajuste e os diagnósticos do modelo.
Use sarima.for() para prever os dados 20 períodos à frente. Compare com os valores reais.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot P/ACF pair of differenced data 


# Fit model - check t-table and diagnostics


# Forecast the data 20 time periods ahead
sarima.for(x, n.ahead = ___, p = ___, d = ___, q = ___) 
lines(y)

Editar e executar o código

Este exercício faz parte do curso

Modelos ARIMA em R

InicianteNível de habilidade

4.9+

Iniciar curso de graça

Você vai investigar a natureza dos dados de séries temporais e aprender o básico sobre modelos ARMA que explicam o comportamento desses dados. Você aprenderá os comandos fundamentais do R para preparar dados brutos de séries temporais no formato que pode ser analisado com modelos ARMA.

Exercise 1: Primeiro o básico Exercise 2: Brincando com os dados Exercise 3: Elementos de séries temporais Exercise 4: Estacionariedade e não estacionariedade Exercise 5: Diferenças (Differencing)Exercise 6: Removendo tendências dos dados Exercise 7: Lidando com tendência e heterocedasticidade Exercise 8: Séries temporais estacionárias: ARMA Exercise 9: Simulando modelos ARMA

Você vai descobrir o mundo dos modelos ARMA e como ajustá-los a séries temporais. Vai aprender a identificar um modelo, escolher o modelo correto e verificar um modelo depois de ajustá-lo aos dados. Você também vai aprender a usar os comandos de séries temporais do R dos pacotes stats e astsa.

Exercise 1: Modelos AR e MA Exercise 2: Ajustando um modelo AR(1)Exercise 3: Ajustando um modelo AR(2)Exercise 4: Ajustando um modelo MA(1)Exercise 5: AR e MA juntos Exercise 6: Ajustando um modelo ARMA Exercise 7: Identificar um modelo ARMA Exercise 8: Escolha de modelo e análise de resíduos Exercise 9: Escolha do modelo - I Exercise 10: Escolha de modelo - II Exercise 11: Análise de resíduos - I Exercise 12: Análise de resíduos - II Exercise 13: Entrando no ARMA

Agora que você sabe ajustar modelos ARMA a séries temporais estacionárias, vai aprender sobre modelos ARMA integrados (ARIMA) para séries não estacionárias. Você ajustará os modelos a dados reais usando os comandos de séries temporais do R nos pacotes stats e astsa.

Exercise 1: ARIMA - ARMA integrado Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulado Exercise 4: Aquecimento global Exercise 5: Diagnósticos de ARIMA Exercise 6: Diagnóstico - sobreajuste simulado Exercise 7: Diagnóstico - temperaturas globais Exercise 8: Previsão com ARIMA Exercise 9: Previsão com ARIMA simulado

Exercício atual

Exercise 10: Prevendo temperaturas globais

Você vai aprender a ajustar e prever séries temporais sazonais usando modelos ARIMA sazonais. Isso é feito aplicando o que você aprendeu nos capítulos anteriores e estendendo os comandos de séries temporais do R disponíveis nos pacotes stats e astsa.

Exercise 1: Modelos puramente sazonais Exercise 2: P/ACF de modelos sazonais puros Exercise 3: Ajuste um modelo puramente sazonal Exercise 4: Modelos sazonais mistos Exercise 5: Ajuste um modelo sazonal misto Exercise 6: Análise de dados - desemprego I Exercise 7: Análise de dados - desemprego II Exercise 8: Análise de dados - preços de commodities Exercise 9: Análise de dados - taxa de natalidade Exercise 10: Previsão com ARIMA sazonal Exercise 11: Forecasting mensal do desemprego Exercise 12: Quão difícil é prever preços de commodities?Exercise 13: Parabéns!